Explicações de Recomendação com Consciência da Fidelidade via Integração Estocástica de Caminhos
Fidelity-Aware Recommendation Explanations via Stochastic Path Integration
November 22, 2025
Autores: Oren Barkan, Yahlly Schein, Yehonatan Elisha, Veronika Bogina, Mikhail Baklanov, Noam Koenigstein
cs.AI
Resumo
A fidelidade da explicação, que mede a precisão com que uma explicação reflete o raciocínio verdadeiro de um modelo, permanece criticamente pouco explorada nos sistemas de recomendação. Apresentamos o SPINRec (Integração de Trajetória Estocástica para Explicações de Recomendadores Neurais), uma abordagem agnóstica ao modelo que adapta técnicas de integração de trajetória à natureza esparsa e implícita dos dados de recomendação. Para superar as limitações dos métodos anteriores, o SPINRec empresta uma amostragem estocástica de linha de base: em vez de integrar a partir de uma linha de base fixa ou irrealista, ele amostra múltiplos perfis de usuário plausíveis a partir da distribuição empírica de dados e seleciona a trajetória de atribuição mais fidedigna. Este projeto captura a influência tanto das interações observadas quanto das não observadas, produzindo explicações mais estáveis e personalizadas. Realizamos a avaliação de fidelidade mais abrangente até hoje em três modelos (MF, VAE, NCF), três conjuntos de dados (ML1M, Yahoo! Music, Pinterest) e um conjunto de métricas contrafactuais, incluindo curvas de perturbação baseadas em AUC e diagnósticos de comprimento fixo. O SPINRec supera consistentemente todas as linhas de base, estabelecendo um novo referencial para a explicabilidade fidedigna na recomendação. O código e as ferramentas de avaliação estão publicamente disponíveis em https://github.com/DeltaLabTLV/SPINRec.
English
Explanation fidelity, which measures how accurately an explanation reflects a model's true reasoning, remains critically underexplored in recommender systems. We introduce SPINRec (Stochastic Path Integration for Neural Recommender Explanations), a model-agnostic approach that adapts path-integration techniques to the sparse and implicit nature of recommendation data. To overcome the limitations of prior methods, SPINRec employs stochastic baseline sampling: instead of integrating from a fixed or unrealistic baseline, it samples multiple plausible user profiles from the empirical data distribution and selects the most faithful attribution path. This design captures the influence of both observed and unobserved interactions, yielding more stable and personalized explanations. We conduct the most comprehensive fidelity evaluation to date across three models (MF, VAE, NCF), three datasets (ML1M, Yahoo! Music, Pinterest), and a suite of counterfactual metrics, including AUC-based perturbation curves and fixed-length diagnostics. SPINRec consistently outperforms all baselines, establishing a new benchmark for faithful explainability in recommendation. Code and evaluation tools are publicly available at https://github.com/DeltaLabTLV/SPINRec.